雅可比矩陣和黑塞矩陣（Hessian matrix）有什麼區別？

雅可比矩陣是向量值函數（映射 R^n 到 R^m）的一階導數矩陣。黑塞矩陣是純量值函數（映射 R^n 到 R）的二階導數矩陣。函數 f 的黑塞矩陣等於 f 的梯度向量的雅可比矩陣。

雅可比矩陣計算機的功能是什麼？

雅可比矩陣計算機可以計算任何向量值多變數函數的雅可比矩陣。只需輸入函數分量和變數，即可獲得符號結果、數值評估、行列式、特徵值以及 2D 變換的視覺化展示。

雅可比矩陣計算機

計算多變量向量值函數的雅可比矩陣。輸入變換分量如 F(x,y) = (x²+y, xy)，即可獲得包含所有偏導數的完整雅可比矩陣、行列式、特徵值、使用 MathJax 的逐步解題過程，以及顯示變換如何扭曲空間的互動式網格變形視覺化。

雅可比矩陣計算機

雅可比矩陣計算機可計算任何向量值多變數函數的雅可比矩陣。輸入轉換分量如 $F(x,y) = (x^2 + y,\; xy)$，指定變數，並可選擇在特定點進行評估。該工具會返回完整的符號雅可比矩陣、行列式、特徵值、MathJax 逐步解法，對於 2×2 的情況，還提供互動式網格變形視覺化，展示線性變換如何拉伸、旋轉和剪切空間。

什麼是雅可比矩陣？

向量值函數 $\mathbf{F}: \mathbb{R}^n \to \mathbb{R}^m$ 的 雅可比矩陣 是由所有一階偏導數組成的 $m \times n$ 矩陣：

$$J = \begin{pmatrix} \frac{\partial F_1}{\partial x_1} & \cdots & \frac{\partial F_1}{\partial x_n} \\ \vdots & \ddots & \vdots \\ \frac{\partial F_m}{\partial x_1} & \cdots & \frac{\partial F_m}{\partial x_n} \end{pmatrix}$$

雅可比矩陣代表了函數在給定點附近的 最佳線性逼近。它將導數的概念推廣到多個變數的向量值函數。

核心概念

⊞

雅可比矩陣

所有偏導數 ∂Fᵢ/∂xⱼ 的 m×n 矩陣 — 矩陣形式的全導數。

◇

行列式

對於方陣 J：det(J) 衡量局部面積/體積的縮放和定向變化。

↔

反函數定理

如果一點的 det(J) ≠ 0，則函數在該點局部可逆。

∮

變數變換

在積分中：dA' = |det(J)| dA 用於補償坐標拉伸。

雅可比行列式

當雅可比矩陣為方陣（$m = n$）時，其行列式具有深刻的幾何意義：

det(J)	幾何意義	範例
det(J) > 0	保持定向，面積按 det(J) 縮放	擴張、旋轉
det(J) < 0	反轉定向，面積按 \|det(J)\| 縮放	反射
det(J) = 0	奇異矩陣 — 維度坍塌，局部不可逆	投影到低維空間
\|det(J)\| = 1	面積/體積保持不變（等距變換或旋轉）	旋轉矩陣

常見坐標轉換

轉換類型	映射關係	雅可比行列式
極坐標 → 直角坐標	$x = r\cos\theta,\; y = r\sin\theta$	$r$
柱坐標 → 直角坐標	$x = r\cos\theta,\; y = r\sin\theta,\; z = z$	$r$
球坐標 → 直角坐標	$x = r\sin\phi\cos\theta,\; y = r\sin\phi\sin\theta,\; z = r\cos\phi$	$r^2 \sin\phi$
2D 旋轉 α 角	$x' = x\cos\alpha - y\sin\alpha,\; y' = x\sin\alpha + y\cos\alpha$	1
縮放變換	$x' = ax,\; y' = by$	$ab$

雅可比矩陣的應用

領域	應用	雅可比矩陣的作用
多變數微積分	積分中的變數變換	\|det(J)\| 是面積/體積元素的縮放因子
機器人學	機械臂運動學	將關節速度映射到末端執行器速度
機器學習	正規化流 (Normalizing Flows)	det(J) 計算通過變換後的機率密度變化
物理學	坐標轉換	張量變換律、度量張量
最佳化	牛頓法（多變數）	梯度向量的雅可比矩陣即為黑塞矩陣；用於收斂分析
電腦圖學	紋理貼圖、網格變形	衡量表面映射時產生的畸變

如何使用雅可比矩陣計算機

輸入函數分量： 輸入向量值函數的每個分量，並以分號分隔。例如，輸入 x^2 + y; x*y 代表 $\mathbf{F}(x,y) = (x^2+y, xy)$。使用 ^ 表示指數，* 表示乘法，以及 sin、cos、exp、ln、sqrt 等標準函數。
指定變數： 輸入以逗號分隔的變數名稱（例如 x, y 或 r, t）。變數的數量決定了雅可比矩陣的列數。
輸入評估點（選填）： 提供坐標值以進行雅可比矩陣的數值評估。您可以使用 pi 和 e 等常數。
點擊計算雅可比矩陣： 查看符號雅可比矩陣、所有偏導數、行列式（適用於方陣）、特徵值以及逐步解法。
探索視覺化圖表： 對於 2×2 雅可比矩陣，可以查看互動式網格變形，顯示矩陣如何變換原始網格、單位圓和基向量。可在網格、圓形和兩者視圖之間切換。

計算實例：極坐標

求極坐標到直角坐標轉換 $F(r, \theta) = (r\cos\theta,\; r\sin\theta)$ 的雅可比矩陣：

第一步： 計算偏導數： $\frac{\partial F_1}{\partial r} = \cos\theta$, $\frac{\partial F_1}{\partial \theta} = -r\sin\theta$, $\frac{\partial F_2}{\partial r} = \sin\theta$, $\frac{\partial F_2}{\partial \theta} = r\cos\theta$。

第二步： 組合成矩陣：$J = \begin{pmatrix} \cos\theta & -r\sin\theta \\ \sin\theta & r\cos\theta \end{pmatrix}$

第三步： 計算行列式：$\det(J) = r\cos^2\theta + r\sin^2\theta = r$。這就是為什麼極坐標中的面積元素是 $r\,dr\,d\theta$。

與其他概念的關係

雅可比矩陣與數學中的許多基本概念都有聯繫：

梯度 (Gradient)： 對於純量函數 $f: \mathbb{R}^n \to \mathbb{R}$，其雅可比矩陣是一個 $1 \times n$ 的列向量 — 即梯度 $\nabla f$ 的轉置。
黑塞矩陣 (Hessian)： 黑塞矩陣是梯度向量的雅可比矩陣：$H(f) = J(\nabla f)$。
散度和旋度 (Divergence and Curl)： 散度是雅可比矩陣的跡 (trace)；旋度涉及非對角線的抗對稱分量。
連鎖律 (Chain Rule)： 對於複合函數，$J(\mathbf{G} \circ \mathbf{F}) = J(\mathbf{G}) \cdot J(\mathbf{F})$ — 連鎖律變成了雅可比矩陣的乘法。

常見問題解答 (FAQ)

什麼是雅可比矩陣？

雅可比矩陣是向量值函數的所有一階偏導數組成的矩陣。對於從 R^n 到 R^m 的函數 F，雅可比矩陣是一個 m 乘 n 矩陣，其中第 (i,j) 個元素是第 i 個輸出分量對第 j 個輸入變數的偏導數。它代表了函數在某一點附近的最佳線性逼近，是多變數微積分、微分方程和許多應用數學領域的基礎。

雅可比行列式代表什麼？

雅可比行列式（適用於方陣雅可比矩陣）衡量變換在局部縮放面積或體積的程度。行列式為 2 表示面積翻倍，行列式為 -1 表示面積保持不變但方向反轉，行列式為 0 則表示變換在該點使維度坍塌。在積分運算中，雅可比行列式的絕對值被用作變數變換時的縮放因子。

雅可比矩陣如何應用於坐標轉換？

在多變數微積分中，當在重積分中進行變數替換時，雅可比行列式會作為縮放因子出現。例如，將直角坐標轉換為極坐標需要乘以雅可比行列式的絕對值 |r|，從而得到大家熟悉的面積元素 r dr dθ。這補償了坐標映射下無窮小面積或體積元素的變化。

雅可比矩陣和黑塞矩陣有什麼區別？

雅可比矩陣是向量值函數（映射 R^n 到 R^m）的一階導數矩陣。黑塞矩陣是純量值函數（映射 R^n 到 R）的二階導數矩陣。純量函數 f 的黑塞矩陣等於其梯度向量的雅可比矩陣：H(f) = J(∇f)。雅可比矩陣描述變換如何拉伸空間，而黑塞矩陣描述曲面的曲率。

雅可比矩陣何時可逆？

當雅可比矩陣是方陣 (m = n) 且其行列式不為零時，它在該點是可逆的。根據反函數定理，如果雅可比矩陣在某點可逆，則該函數在該點附近局部可逆，這意味著存在光滑的局部反函數。這是微分拓撲中的一個核心結論，廣泛應用於隱函數理論和非線性分析。

引用此內容、頁面或工具為：

"雅可比矩陣計算機" 於 https://MiniWebtool.com/zh-tw/雅可比矩陣計算機/，來自 MiniWebtool，https://MiniWebtool.com/

由 MiniWebtool 團隊提供。更新日期：2026-04-08

開發者 API 可用: 用一次 JSON HTTP 請求，把這個工具接入你的應用程式、自動化流程或代理。查看 API 文件

您還可以嘗試我們的 AI數學解題器 GPT，通過自然語言問答解決您的數學問題。

轉換類型	映射關係	雅可比行列式
極坐標 → 直角坐標	\(x = r\cos\theta,\; y = r\sin\theta\)	\(r\)
柱坐標 → 直角坐標	\(x = r\cos\theta,\; y = r\sin\theta,\; z = z\)	\(r\)
球坐標 → 直角坐標	\(x = r\sin\phi\cos\theta,\; y = r\sin\phi\sin\theta,\; z = r\cos\phi\)	\(r^2 \sin\phi\)
2D 旋轉 α 角	\(x' = x\cos\alpha - y\sin\alpha,\; y' = x\sin\alpha + y\cos\alpha\)	1
縮放變換	\(x' = ax,\; y' = by\)	\(ab\)

雅可比矩陣計算機